Spark数据倾斜解决原理和方法总论_spark 数据均衡

本博文主要包含以下内容：

一：均衡数据是我们的目标，或者说我们要解决数据倾斜的发力点。

一般说shuffle是产生数据倾斜的主要原因，为什么shuffle产生数据倾斜主要是因为网络通信，如果计算之前通过ETL（ETL(Extract-Transform-Load的缩写，即数据抽取、转换、装载的过程)作为BI/DW（Business Intelligence）的核心和灵魂，能够按照统一的规则集成并提高数据的价值，是负责完成数据从数据源向目标数据仓库转化的过程，是实施数据仓库的重要步骤。如果说数据仓库的模型设计是一座大厦的设计蓝图，数据是砖瓦的话，那么ETL就是建设大厦的过程。）等工具作用是很强有力的，

1、去掉shuffle，是解决数据倾斜最好的方式，我们能不进行shuffle就不进行shuffle，广播可以减少shuffle。

2、采用好的数据结构和序列化方式，可以非常好的减少数据量以及提高性能。

3、Spark基于RDD构建了整个调度体系和生态体系，工作核心之一就是复用，而且是基于内存的复用，对RDD的复用，最小化每个job的工作，这样能极大化的减少数据倾斜。

二：数据倾斜解决之Map 端Reduce及问题思考

1、我们尽可能的将Reduce端放在Map端，我们就避免了shuffle，避免了shuffle我们就在很大情况下化解了数据倾斜的问题。

2、什么叫MappedReduce，整个spark是Rdd的链式操作，我们的DAGScheduler根据不同得RDD类型的依赖关系划分成不同的stage，不同类型依赖关系就是宽依赖和窄依赖。宽依赖的时候把stage换分成更小的stage，我们想做的事是把宽依赖减掉，避免掉shuffle，把操作直接放在map端。从stage角度讲，后边stage都是前面前面stage都是后边stage的map的。对我们解决数据倾斜很有帮助。

三：Spark数据倾斜解决之采样分而治之解决方案

1、我们首先谈一下什么叫采样？
我们有一个数据的集合，我们根据一定的规则选取数据的一部。采样一般情况下不能超过30%，采样算法的优劣，决定采样的效果，采样的结果能否更好的代表我们的全局变量。数据倾斜主要某个或某几个key的value特别多，key是我们数据分类的依据，如果我们能找出哪个或者哪几个key导致数据倾斜，这就是完成问题第一步，如果找到我们就可以采用分而治之的办法解决问题。

2、RDD1和RDD2进行Join操作，其中我们采用采样的方式发现RDD1中有严重的数据倾斜的Key：

第一步：采用Spark RDD中提供的采样接口，我们可以很方便的对全体例如100亿条数据进行采样，然后基于采样的数据我们可以计算出哪个（哪些）Key的Values个数最多；
第二步：把全体数据分成两部分，即把原来一个RDD1变成RDD11和RDD12，其中RDD11代表导致数据倾斜的Key，RDD12中包含的是不会产生数据倾斜的Key；
第三步:把RDD11和RDD2进行Join操作，且把RDD12和RDD2进行Join操作，然后把分别Join操作后的结果进行Union操作，从而得出和RDD1与RDD2直接进行Join相同的结果。

上述流程中：
第一种情况：如果RDD11中的数据量不是很多，可以采用map端的join操作，避免了Shuffle和数据倾斜；
第二种情况：如果RDD11中的数据量特别多，此时之所以能够缓解数据倾斜，是因为采用了Spark Core天然的并行机制对RDD11中的同样一个Key的数据进行了拆分，从而达到让原本倾斜的Key分散到不同的Task的目的，就缓解了数据倾斜；

补充说明：在上述过程中如果把倾斜的Key加上随机数，会怎么样？

加上随机数，并行task数量可增加，具体是如何操作的呢？

RDD11中的倾斜的Key加上1000以内的随机数，然后和RDD2进行Join操作？不行！此时我们一定需要把RDD11中的Key在RDD2中的相同的Key进行1000以内的随机数，然后在进行Join操作，这样做的好处：
让倾斜的Key更加不倾斜，在实际生产环境下会极大的解决在两个进行Join的RDD数量都很大且其中一个RDD有一个或者两三个明显倾斜的Key的情况下的数据倾斜问题

四：Spark据倾斜解决之对于两个RDD数据量都很大且倾斜的Key特别多如何解决？

1、两个RDD数据都特别多且倾斜的Key成千上万个，该如何解决数据倾斜的问题？

初步的想法：在倾斜的Key上面加上随机数
该想法的原因：shuffle的时候把key的数据可以分到不同的task里去

但是：现在的倾斜的key非常之多，成千上万，所以如果说采样找出倾斜的key的话并不是一个非常好的想法

Next？扩容？
首先，什么是扩容？就是把该RDD的中的每一条数据变成5条、10条、20条等，例如RDD中原来是10亿条数据，扩容后可能变成1000亿条数据；
其次，如何做到扩容？flatMapToPair 中对要进行扩容的每一条数据都通过0~N-1个不同的前缀变成N条数据。（不同的key，把我们原先的数据分散到不同的Task中）

2、问题：N的值可以随便取吗？需要考虑当前程序能够使用的Core的数目
答案：N的数字一般不能够取的特别大，通常都会小于50，否则会对磁盘、内存和网络都会形成极大的负担，例如会造成OOM

接下来：
1、将另外一个RDD的每条数据都打上一个n以内的随机前缀。2，最后将两个处理后的RDD进行join即可。

N这个数字取成10和取成1000除了OOM等不同以外，是否还有其它的影响呢？其实N的数字的大小还会对数据倾斜的解决程度构成直接的影响！N 越大，越不容易倾斜，但是也会占用更多的内存、磁盘、网络以及(不必要的)消耗更多的CPU时间。非倾斜的key被无辜扩容啦。

模拟代码：

RDD1 join RDD2

rdd2 2= RDD2.flatMap {

    for(1  to 10) {
        1_item
    }
}

rdd11 = RDD1.map{
    Random(10)

    random_item

}

result = rdd11.join(rdd22)

result.map{
    item_1.split   去掉前缀

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

五： Spark系列之数据倾斜解决之并行度的深度使用

1、用并行度解决数据倾斜的基本应用：例如reduceByKey
改变并行度之所以能够改善数据倾斜的原因在于，如果某个Task有100个Key且数据量特别大，就极有可能导致OOM或者任务运行特别缓慢，此时如果把并行度变大，则可以分解该Task的数据量，例如把原本该Task的100个Key分解给10个Task，这个就可以减少每个Task的数据量，从而有可能解决OOM和任务慢的问题。

对于reduceByKey而言你可以传入并行度的参数，也可以自定义Partitioner

增加Executor：改变计算资源，从仅仅数据倾斜的角度来看并不能够直接去解决数据倾斜的问题，但是也有好处，好处是同时可以并发运行更多的Task，结果是可能加快了运行速度。

2、用并行度解决数据倾斜的高级使用：例如reduceByKey

假设说有倾斜的Key，我们给所有的Key加上一个随机数，然后进行reduceByKey操作；此时同一个Key会有不同的随机数前缀，在进行reduceByKey操作的使用原来的一个非常大的倾斜的Key就分而治之变成若干个更小的Key，不过此时结果和原来不一样，怎么破？进行map操作，map操作的目的是把随机数前缀去掉，然后再次进行reduceByKey操作，（当然，如果你很无聊，可以再次做随机数前缀），这样我们就可以把原本倾斜的Key通过分而治之方案分散开来，最后又进行了全局聚合。在这里的本质还是通过改变并行度去解决数据倾斜的问题。

六： Spark系列之数据倾斜解决方案的“银弹”是什么？

1、逃离Spark技术本身之外来如何解决数据倾斜的问题？

之所以会有这样的想法，是因为从结果上来看，数据倾斜的产生来自于数据和数据的处理技术，前面内容和大家分享都是数据的处理技术层面如何解决数据倾斜，因此，我们现在需要回到数据的层面去解决数据倾斜的问题：

数据本身就是Key-Value的存在方式，所谓的数据倾斜就是说某（几）个Key的Values特别多，所有如果要解决数据倾斜，实质上是解决单一的Key的Values的个数特别多的情况，新的的数据倾斜解决方案由此诞生了：

（1）把一个大的Key-Values的数据分解成为Key-subKey-Values的方式；（用一个ETL方式就可以，或者Hive）

（2）预先和其他表进行join，将数据倾斜提前到上游的Hive ETL；

（3）可以把大的Key-Values中的Values组拼成为一个字符串，从而形成只有一个元素的Key-Value；

（4）加一个中间适配层，当数据进来的时候进行Key的统计和动态排名，基于该排名动态的调整Key分布；

假如10万个Key都发生了数据倾斜，如何解决呢？

此时一般就是加内存和Cores！